CN108805181A - 一种基于多分类模型的图像分类装置及分类方法 - Google Patents

一种基于多分类模型的图像分类装置及分类方法 Download PDF

Info

Publication number
CN108805181A
CN108805181A CN201810513084.7A CN201810513084A CN108805181A CN 108805181 A CN108805181 A CN 108805181A CN 201810513084 A CN201810513084 A CN 201810513084A CN 108805181 A CN108805181 A CN 108805181A
Authority
CN
China
Prior art keywords
image
feature
disaggregated models
analyzed
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810513084.7A
Other languages
English (en)
Other versions
CN108805181B (zh
Inventor
雷海军
赵雨佳
雷柏英
罗秋明
杨张
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201810513084.7A priority Critical patent/CN108805181B/zh
Publication of CN108805181A publication Critical patent/CN108805181A/zh
Application granted granted Critical
Publication of CN108805181B publication Critical patent/CN108805181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于多分类模型的图像分类装置与分类方法，装置包括：图像预处理模块，用于获取待分析样本的核磁共振T1加权图像，并进行预处理；特征提取模块，用于对预处理后的图像进行特征提取，提取出影像学特征；特征融合模块，用于将提取出的影像学特征进行融合，形成特征空间；特征筛选模块，用于从特征空间中筛选出具有判别能力的特征，并构建多分类模型；检测分析模块，用于利用多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。本发明通过采用不同分割区域模板对大脑图像进行特征提取，将这些不同的特征融合在一起，构建多分类模型，将图像分成不同的目标类别，有利于对图像进行准确分类，实现更高效且快速的图像处理。

Description

一种基于多分类模型的图像分类装置及分类方法
技术领域
本发明涉及图像处理领域，尤其涉及的是一种基于多分类模型的图像分类装置及分类方法。
背景技术
随着科技的不断发展，图像处理技术的发展也越来越迅速，应用领域也越来越广泛。尤其是在医学领域，图像处理技术同样被应用在很多方面，例如可以帮助医护人员得到更加清晰的医学图像、提高医护人员的工作效率等等。
但是现有技术中对于医学图像的处理难以达到理想的效果，并且很多情况下对于医学图像的处理过程中容易出现过拟合的现象，影响图像处理的结果。虽然现有技术中为了解决过拟合的问题，会给特征空间加上稀疏的约束来表示少数有效的特征，但是这种方法进只能帮助筛选出有效特征，并不能模拟出特征空间的复杂关系，无法建立高效的特征选择模型，无法对图像进行高效且准确的分类。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于多分类模型的图像分类装置及分类方法，旨在解决现有技术在对图像分类处理中，无法建立高效的特征选择模型，从而无法对图像进行准确分类等问题。
本发明解决技术问题所采用的技术方案如下：
一种基于多分类模型的图像分类装置，其中，所述装置包括：
图像预处理模块，用于获取待分析样本的核磁共振T1加权图像，并进行预处理；
特征提取模块，用于利用不同的分割区域模板对预处理后的图像进行特征提取，提取出影像学特征；
特征融合模块，用于将提取出的影像学特征进行融合，形成特征空间；
特征筛选模块，用于将所述特征空间与自适应稀疏学习特征选择方法结合，从所述特征空间中筛选出具有判别能力的特征，并构建多分类模型；
检测分析模块，用于利用所述多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。
所述基于多分类模型的图像分类装置，其中，所述图像预处理模块包括：
图像获取单元，用于采用核磁共振成像技术获取待分析样本的核磁共振T1加权像；
图像处理单元，用于利用统计图分割工具对所述核磁共振T1加权像进行标准化以及分割处理；
图像提取单元，用于从分割后的图像中分别提取出特征元素的图像。
所述基于多分类模型的图像分类装置，其中，所述特征提取模块包括：
特征提取单元，用于利用多个不同的分割区域模板分别对经过分割处理后的图像进行特征提取；
计算分析单元，用于计算分割区域中的各特征元素体积所对应的值，并作为特征融合时的特征向量。
所述基于多分类模型的图像分类装置，其中，所述特征筛选模块中的自适应稀疏学习特征选择方法为线性判别分析法以及局部保留投影法。
所述基于多分类模型的图像分类装置，其中，所述特征筛选模块包括：
全局信息获取单元，用于利用线性判别分析法通过权衡类内差异以及类间差异的比例，获取特征空间的全局信息；
局部信息获取单元，用于利用局部保留投影法通过找出特征空间中各个数据点之间的相似性，获取特征空间的局部信息；
特征筛选单元，用于根据所述全局信息与局部信息的指引，利用样本与样本的相似性进行正则化约束，筛选出具有判别能力的特征；
模型构建单元，用于利用带Sigmoid核的支持向量机构建多分类模型。
所述基于多分类模型的图像分类装置，其中，所述特征筛选模块还包括：
获取待分析样本的影响因子，并把所述影响因子作为附加特征添加到所述特征空间中，以构建用于训练多分类模型的新特征空间。
一种基于多分类模型的图像分类方法，其中，所述方法包括：
步骤A、获取待分析样本的核磁共振T1加权图像，并进行预处理；
步骤B、利用不同的分割区域模板对预处理后的图像进行特征提取，提取出影像学特征；
步骤C、将提取出的影像学特征进行融合，形成特征空间；
步骤D、将所述特征空间与自适应稀疏学习特征选择方法结合，从所述特征空间中筛选出具有判别能力的特征，并构建多分类模型；
步骤E、利用所述多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。
所述的基于多分类模型的图像分类方法，其中，所述步骤A包括：
步骤A1、采用核磁共振成像技术获取待分析样本的核磁共振T1加权像；
步骤A2、利用统计图分割工具对所述核磁共振T1加权像进行标准化以及分割处理；
步骤A3、从分割后的图像中分别提取出特征元素的图像。
所述的基于多分类模型的图像分类方法，其中，所述步骤B包括：
步骤B1、利用多个不同的分割区域模板分别对经过分割处理后的图像进行特征提取；
步骤B2、计算分割区域中的各特征元素体积所对应的值，并作为特征融合时的特征向量。
所述的基于多分类模型的图像分类方法，其中，所述步骤D包括：
步骤D1、利用线性判别分析法通过权衡类内差异以及类间差异的比例，获取特征空间的全局信息；
步骤D2、利用局部保留投影法通过找出特征空间中各个数据点之间的相似性，获取特征空间的局部信息；
步骤D3、根据所述全局信息与局部信息的指引，利用样本与样本的相似性进行正则化约束，筛选出具有判别能力的特征；
步骤D4、利用带Sigmoid核的支持向量机构建多分类模型。
本发明的有益效果：本发明通过采用不同分割区域模板对大脑图像进行特征提取，并将这些不同的特征融合在一起，构建一个具有辨别能力的多分类模型，将图像分成不同的目标类别，有利于对图像进行准确分类，实现更为高效且快速的图像处理。
附图说明
图1本发明的基于多分类模型的图像分类装置的功能原理图。
图2是本发明的基于多分类模型的图像分类方法的较佳实施例的流程图。
图3是本发明的基于多分类模型的图像分类方法的具体实施流程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现今，在医学领域中，图像处理技术的应用已经越来越广泛。甚至对于某些疾病的分析与研究来说，图像分析在整个分析与研究的过程中起着至关重要的作用，它可以帮助医护人员更加高效的工作、提供更外客观的判断依据、避免出现误判等风险。但是由于现有的医学图像处理方法中存在很多缺陷，例如容易出现过拟合现象、无法创建高效的分类模型对图像进行分类等等。为了解决上述问题，本发明提供一种基于多分类模型的图像分类装置，具体如图1中所示。所述装置包括：
图像预处理模块101，用于获取待分析样本的核磁共振T1加权图像，并进行预处理；
特征提取模块102，用于利用不同的分割区域模板对预处理后的图像进行特征提取，提取出影像学特征；
特征融合模块103，用于将提取出的影像学特征进行融合，形成特征空间；
特征筛选模块104，用于将所述特征空间与自适应稀疏学习特征选择方法结合，从所述特征空间中筛选出具有判别能力的特征，并构建多分类模型；
检测分析模块105，用于利用所述多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。
具体实施时，首先，本发明通过使用核磁共振成像技术来获取待分析样本的核磁共振(MRI)T1加权像。磁共振成像是利用原子核在磁场内共振产生的信号经重建成像的成像技术。而T1加权像能够突出组织T1弛豫(纵向弛豫)差别。在获取到TI加权的MRI图像之后，本发明通过了统计参数图(SPM)分割工具对核磁共振T1加权像进行预处理，所述预处理包括标准化以及分割处理。进而从分割处理后的图像中提取特征元素的图像。所述特征元素为处理后的图像中元素。例如，脑部核磁共振图像在预处理后的特征元素就可为是灰质组织、白质组织以及脑脊液组织。
一般情况下，所述核磁共振T1加权像都比较复杂，在现有的医学图像处理方法中多是基于单模板的方法获得每个图像的形态表示，单模板针对某种具体的分割模板只能反映有限的图像功能异常或差异。因此本发明利用多个不同的分割区域模板分别对经过分割处理后的图像进行特征提取，并计算各个分割区域中的各特征元素体积所对应的值，将其作为特征融合时的特征向量。
具体地，本实施例以脑部的核磁共振T1加权像为例，由于脑部的核磁共振T1加权像的结构复杂多样。现阶段对于脑区(感兴趣区域，ROI)的划分也有多种定义方式。常见的是自动解剖标签(AAL)图集划分的90、116个脑区模板。本实施例利用90个分割区域的自动解剖标签模板、116个分割区域的自动解剖标签模板以及200个分割区域的空间约束谱聚类图模板分别对经过分割处理后的图像进行特征提取，并计算各个分割区域中的各特征元素体积对应的值，将其作为特征融合时的特征向量。本发明中基于多模板方法提供了更丰富的结构信息，为后续中筛选出最具辨别能力的特征提供了可能。
进一步地，本发明通过线性级联回归模型将提取出的影像学特征进行融合，最终得到一特征矩阵。所述特征矩阵为其中m是样本数目，n是特征维度。所述特征矩阵就是融合而成的特征空间。
进一步地，将所述特征空间与自适应稀疏学习特征选择方法结合，从所述特征空间中筛选出具有判别能力的特征，并构建多分类模型。
具体地，在构建特征空间之后，本发明在特征选择阶段将稀疏学习线性判别分析(LDA)和局部保留投影(LPP)两种空间学习方法结合起来，构建具有自适应稀疏正则化约束的最具有有效信息的特征空间。具体而言，假设是在自适应稀疏学习特征选择方法中，首先对特征权重矩阵加上了稀疏约束l2,1范数，||W||2,1＝∑i||Wi||2。l2,1范数在多分类任务上比l1范数和l2范数具有更好的效果。另外，自适应特征选择算法利用l2,p来代替传统的l2,1进行稀疏关系的约束，通过自动调整p的值，为不同的任务设置不同的稀疏度，减小权重矩阵中噪音和冗余数据的影响，具体定义如下，Tr表示求迹函数。在空间学习方法中，利用线性判别分析法，为空间加上“最大类间距离，最小类内距离”的约束通过权衡类内差异以及类间差异的比例，获取特征空间的全局信息。这一全局信息的设置可以通过重新定义标签矩阵获得，定义如下：
其中，mk是属于分类类别k的样本数量，Xi是第i个样本。
此外，利用局部保留投影法通过找出特征空间中各个数据点之间的相似性，获取特征空间的局部信息。根据所述全局信息与局部信息的指引，利用拉普拉斯矩阵，利用样本与样本的相似性进行正则化约束，以此找到最具有判别能力的特征。本发明在全局信息以及局部信息的指引下，摒弃不相关的冗余特征，提高本发明学习的特征空间的分类性能。
较佳地，在上述正则化约束中添加的正则项定义如下：
其中，si,j表示样本Xi和样本Xj的相似性，通过计算欧氏距离得到。所述欧氏距离为：(∑(Xi-Xj)2)1/2，即两项间的差是每个变量值差的平方和再平方根，目的是计算其间的整体距离即不相似性。最终，得到自适应稀疏学习的目标函数如下：
其中，是数据拟合项，表示矩阵A的弗罗贝尼乌斯范数。最后，本发明使用带Sigmoid核的支持向量机(SVM)构建多分类模型。
进一步优选地，本发明还获取待分析样本的影响，并将其作为附加特征添加到特征空间(特征矩阵)中，以构建用于训练多分类模型的新特征空间，从而对多分类模型进行更新。所述影响因子包括待测样本对于某种行为的认知表现，影响因子对图像的文类结果起着至关重要的作用。
进一步地，本发明中所构建的多分类模型能够对待分析样本的图像测试数据进行分析，分成不同的目标类别，从而确定图像所属的类别，完成图像的分类处理。例如，可以将图像分成正常类别与不正常类别，有利于医护人员根据分类后的图像作出正确的分析以及判断，提高工作效率，缩短图像分析的时间。
本发明通过待测样本的MRI图像进行分析，融合多个模板获取的影像特征构建特征空间，并通过建立自适应稀疏学习框架选择出最具判别能力的图像特征，建立出可以对图像进行分类的多分类模型，不但提高了图像类别判断的准确率，而且使得提高医护人员的工作效率。
基于上述实施例，本发明还提供了一种基于多分类模型的图像分类方法，具体如图2中所示，所述方法包括：
步骤S100、获取待分析样本的核磁共振T1加权图像，并进行预处理；
步骤S200、利用不同的分割区域模板对预处理后的图像进行特征提取，提取出影像学特征；
步骤S300、将提取出的影像学特征进行融合，形成特征空间；
步骤S400、将所述特征空间与自适应稀疏学习特征选择方法结合，从所述特征空间中筛选出具有判别能力的特征，并构建多分类模型；
步骤S500、利用所述多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。
较佳地，所述步骤S100包括：
采用核磁共振成像技术获取待分析样本的核磁共振T1加权像；
利用统计图分割工具对所述核磁共振T1加权像进行标准化以及分割处理；
从分割后的图像中分别提取出特征元素的图像。
所述步骤S200包括：
利用多个不同的分割区域模板分别对经过分割处理后的图像进行特征提取；
计算分割区域中的各特征元素体积所对应的值，并作为特征融合时的特征向量。
所述步骤S400包括：
利用线性判别分析法通过权衡类内差异以及类间差异的比例，获取特征空间的全局信息；
利用局部保留投影法通过找出特征空间中各个数据点之间的相似性，获取特征空间的局部信息；
根据所述全局信息与局部信息的指引，利用样本与样本的相似性进行正则化约束，筛选出具有判别能力的特征；
利用带Sigmoid核的支持向量机构建多分类模型。上述方法中的技术方案在上述实施中已经阐述，此处不再累述。
为了进一步说明本发明的技术方案，本发明还提供基于多分类模型的图像分类方法的具体实施方式，如图3中所示。本发明首先获取T1加权核磁共振成像并经过标准化以及分割处理。利用不同的分割区域模板对处理后的图像提取神经影像特征，并进行特征融合，然后再通过建立自适应稀疏学习框架选择出最具判别能力的图像特征，并将选择后的特征与临床得分结合构建新的特征矩阵，最后利用支持向量机构建出多分类模型。构建出的多分类模型可以对待分析样本的图像数据进行分析，从而确定出图像的类别。
综上所述，本发明公开了一种基于多分类模型的图像分类装置与分类方法，装置包括：图像预处理模块，用于获取待分析样本的核磁共振T1加权图像，并进行预处理；特征提取模块，用于对预处理后的图像进行特征提取，提取出影像学特征；特征融合模块，用于将提取出的影像学特征进行融合，形成特征空间；特征筛选模块，用于从特征空间中筛选出具有判别能力的特征，并构建多分类模型；检测分析模块，用于利用多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。本发明通过采用不同分割区域模板对大脑图像进行特征提取，并将这些不同的特征融合在一起，构建多分类模型，将图像分成不同的目标类别，有利于对图像进行准确分类，实现更为高效且快速的图像处理。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于多分类模型的图像分类装置，其特征在于，所述装置包括：
图像预处理模块，用于获取待分析样本的核磁共振T1加权图像，并进行预处理；
特征提取模块，用于利用不同的分割区域模板对预处理后的图像进行特征提取，提取出影像学特征；
特征融合模块，用于将提取出的影像学特征进行融合，形成特征空间；
特征筛选模块，用于将所述特征空间与自适应稀疏学习特征选择方法结合，从所述特征空间中筛选出具有判别能力的特征，并构建多分类模型；
检测分析模块，用于利用所述多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。
2.根据权利要求1所述基于多分类模型的图像分类装置，其特征在于，所述图像预处理模块包括：
图像获取单元，用于采用核磁共振成像技术获取待分析样本的核磁共振T1加权像；
图像处理单元，用于利用统计图分割工具对所述核磁共振T1加权像进行标准化以及分割处理；
图像提取单元，用于从分割后的图像中分别提取出特征元素的图像。
3.根据权利要求1所述基于多分类模型的图像分类装置，其特征在于，所述特征提取模块包括：
特征提取单元，用于利用多个不同的分割区域模板分别对经过分割处理后的图像进行特征提取；
计算分析单元，用于计算分割区域中的各特征元素体积所对应的值，并作为特征融合时的特征向量。
4.根据权利要求1所述基于多分类模型的图像分类装置，其特征在于，所述特征筛选模块中的自适应稀疏学习特征选择方法为线性判别分析法以及局部保留投影法。
5.根据权利要求1所述基于多分类模型的图像分类装置，其特征在于，所述特征筛选模块包括：
全局信息获取单元，用于利用线性判别分析法通过权衡类内差异以及类间差异的比例，获取特征空间的全局信息；
局部信息获取单元，用于利用局部保留投影法通过找出特征空间中各个数据点之间的相似性，获取特征空间的局部信息；
特征筛选单元，用于根据所述全局信息与局部信息的指引，利用样本与样本的相似性进行正则化约束，筛选出具有判别能力的特征；
模型构建单元，用于利用带Sigmoid核的支持向量机构建多分类模型。
6.根据权利要求5所述基于多分类模型的图像分类装置，其特征在于，所述特征筛选模块还包括：
获取待分析样本的影响因子，并把所述影响因子作为附加特征添加到所述特征空间中，以构建用于训练多分类模型的新特征空间。
7.一种基于多分类模型的图像分类方法，其特征在于，所述方法包括：
步骤A、获取待分析样本的核磁共振T1加权图像，并进行预处理；
步骤B、利用不同的分割区域模板对预处理后的图像进行特征提取，提取出影像学特征；
步骤C、将提取出的影像学特征进行融合，形成特征空间；
步骤D、将所述特征空间与自适应稀疏学习特征选择方法结合，从所述特征空间中筛选出具有判别能力的特征，并构建多分类模型；
步骤E、利用所述多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。
8.根据权利要求7所述的基于多分类模型的图像分类方法，其特征在于，所述步骤A包括：
步骤A1、采用核磁共振成像技术获取待分析样本的核磁共振T1加权像；
步骤A2、利用统计图分割工具对所述核磁共振T1加权像进行标准化以及分割处理；
步骤A3、从分割后的图像中分别提取出特征元素的图像。
9.根据权利要求7所述的基于多分类模型的图像分类方法，其特征在于，所述步骤B包括：
步骤B1、利用多个不同的分割区域模板分别对经过分割处理后的图像进行特征提取；
步骤B2、计算分割区域中的各特征元素体积所对应的值，并作为特征融合时的特征向量。
10.根据权利要求7所述的基于多分类模型的图像分类方法，其特征在于，所述步骤D包括：
步骤D1、利用线性判别分析法通过权衡类内差异以及类间差异的比例，获取特征空间的全局信息；
步骤D2、利用局部保留投影法通过找出特征空间中各个数据点之间的相似性，获取特征空间的局部信息；
步骤D3、根据所述全局信息与局部信息的指引，利用样本与样本的相似性进行正则化约束，筛选出具有判别能力的特征；
步骤D4、利用带Sigmoid核的支持向量机构建多分类模型。
CN201810513084.7A 2018-05-25 2018-05-25 一种基于多分类模型的图像分类装置及分类方法 Active CN108805181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810513084.7A CN108805181B (zh) 2018-05-25 2018-05-25 一种基于多分类模型的图像分类装置及分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810513084.7A CN108805181B (zh) 2018-05-25 2018-05-25 一种基于多分类模型的图像分类装置及分类方法

Publications (2)

Publication Number Publication Date
CN108805181A true CN108805181A (zh) 2018-11-13
CN108805181B CN108805181B (zh) 2021-11-23

Family

ID=64091846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810513084.7A Active CN108805181B (zh) 2018-05-25 2018-05-25 一种基于多分类模型的图像分类装置及分类方法

Country Status (1)

Country Link
CN (1) CN108805181B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458218A (zh) * 2019-07-31 2019-11-15 北京市商汤科技开发有限公司 图像分类方法及装置、分类网络训练方法及装置
CN110837572A (zh) * 2019-11-15 2020-02-25 北京推想科技有限公司 图像检索方法、装置、可读存储介质及电子设备
CN113450426A (zh) * 2021-06-09 2021-09-28 深圳市铱硙医疗科技有限公司 一种磁共振脑灌注成像数据处理系统、方法、终端及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011053535A1 (en) * 2009-10-30 2011-05-05 Applied Signal Technology, Inc. Multipass data integration for automatic detection and classification of objects
CN102663374A (zh) * 2012-04-28 2012-09-12 北京工业大学 基于多特征属性的多类别Bagging步态识别方法
CN103324954A (zh) * 2013-05-31 2013-09-25 中国科学院计算技术研究所 一种基于树结构的图像分类方法及其系统
CN103942570A (zh) * 2014-04-29 2014-07-23 深圳大学 图像分类方法及系统
CN104992184A (zh) * 2015-07-02 2015-10-21 东南大学 一种基于半监督极限学习机的多类图像分类方法
CN105389480A (zh) * 2015-12-14 2016-03-09 深圳大学 多类不平衡基因组学数据迭代集成特征选择方法及系统
CN106372648A (zh) * 2016-10-20 2017-02-01 中国海洋大学 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN107862323A (zh) * 2017-10-10 2018-03-30 安徽信息工程学院 半监督情况下判别性的特征选择方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011053535A1 (en) * 2009-10-30 2011-05-05 Applied Signal Technology, Inc. Multipass data integration for automatic detection and classification of objects
CN102663374A (zh) * 2012-04-28 2012-09-12 北京工业大学 基于多特征属性的多类别Bagging步态识别方法
CN103324954A (zh) * 2013-05-31 2013-09-25 中国科学院计算技术研究所 一种基于树结构的图像分类方法及其系统
CN103942570A (zh) * 2014-04-29 2014-07-23 深圳大学 图像分类方法及系统
CN104992184A (zh) * 2015-07-02 2015-10-21 东南大学 一种基于半监督极限学习机的多类图像分类方法
CN105389480A (zh) * 2015-12-14 2016-03-09 深圳大学 多类不平衡基因组学数据迭代集成特征选择方法及系统
CN106372648A (zh) * 2016-10-20 2017-02-01 中国海洋大学 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN107862323A (zh) * 2017-10-10 2018-03-30 安徽信息工程学院 半监督情况下判别性的特征选择方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAIJUN LEI等: "Adaptive Sparse Learning for Neurodegenerative Disease Classification", 《2017 IEEE INTERNATIONAL SYMPOSIUM ON MULTIMEDIA(ISM)》 *
HAIJUN LEI等: "Sparse feature learning for multi-class Parkinson’s disease classification", 《TECHNOLOGY AND HEALTH CARE》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458218A (zh) * 2019-07-31 2019-11-15 北京市商汤科技开发有限公司 图像分类方法及装置、分类网络训练方法及装置
CN110458218B (zh) * 2019-07-31 2022-09-27 北京市商汤科技开发有限公司 图像分类方法及装置、分类网络训练方法及装置
CN110837572A (zh) * 2019-11-15 2020-02-25 北京推想科技有限公司 图像检索方法、装置、可读存储介质及电子设备
CN110837572B (zh) * 2019-11-15 2020-10-13 北京推想科技有限公司 图像检索方法、装置、可读存储介质及电子设备
CN113450426A (zh) * 2021-06-09 2021-09-28 深圳市铱硙医疗科技有限公司 一种磁共振脑灌注成像数据处理系统、方法、终端及介质

Also Published As

Publication number Publication date
CN108805181B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
Kutlu et al. White blood cells detection and classification based on regional convolutional neural networks
CN107133651B (zh) 基于超网络判别子图的功能磁共振影像数据分类方法
Yao et al. Triplet graph convolutional network for multi-scale analysis of functional connectivity using functional MRI
CN102737250B (zh) 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统
CN109410219A (zh) 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
Cover et al. Computational methods for corpus callosum segmentation on MRI: A systematic literature review
CN104715241B (zh) 一种基于张量分解的fMRI特征提取与识别方法
CN109978872B (zh) 基于白质纤维束的白质微结构特征筛选系统及方法
CN105117731A (zh) 一种大脑功能网络的社团划分方法
CN106096636A (zh) 一种基于神经影像的进展型轻度认知功能障碍识别方法
CN106127263A (zh) 基于三维特征提取的人脑磁共振图像分类识别方法及系统
CN104573742A (zh) 医学图像分类方法和系统
CN108805181A (zh) 一种基于多分类模型的图像分类装置及分类方法
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
CN115359305B (zh) 一种大脑纤维束异常区域精准定位系统
CN106650818A (zh) 基于高阶超网络的静息态功能磁共振影像数据分类方法
CN104978569A (zh) 一种基于稀疏表示的增量人脸识别方法
Kumar et al. RETRACTED ARTICLE: Analysis of regional atrophy and prolong adaptive exclusive atlas to detect the alzheimers neuro disorder using medical images
CN113012129A (zh) 一种脑切片图像的区域定位及标记神经细胞计数系统及装置
CN109034213A (zh) 基于相关熵原则的高光谱图像分类方法和系统
Qian et al. Recent advances in explainable artificial intelligence for magnetic resonance imaging
Wang et al. Computer-aided dementia diagnosis based on hierarchical extreme learning machine
Barrera et al. Automatic normalized digital color staining in the recognition of abnormal blood cells using generative adversarial networks
Glaister et al. Thalamus parcellation using multi-modal feature classification and thalamic nuclei priors
Deepika Nair et al. A study on various deep learning algorithms to diagnose Alzheimer’s disease

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant